Newest papers

Standards-Guided and Dependency-Aware Code-Level Documentation Generation

Tingxu Han, Wei Song, Ziming Li, Yuchen Chen, Weisong Sun, Zhenpeng Chen, Chunrong Fang, Zhenyu Chen, Yang Liu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27634 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Tự động tạo ra tài liệu chất lượng cao cho các kho lưu trữ phần mềm vẫn còn là một thách thức: các phương pháp tiếp cận hiện tại chủ yếu đối xử với tài liệu như là sản xuất văn bản không bị hạn chế, thiếu các thông số kỹ thuật chất lượng rõ ràng, phụ thuộc nhiều vào các yêu cầu chất lượng lâu dài dựa trên mã nguyên bản, và cung cấp hỗ trợ hạn chế cho việc đánh giá có thể tái tạo. Chúng tôi lập luận rằng sản xuất tài liệu cấp mã nên thay vào đó là một công việc kỹ thuật phần mềm được hướng dẫn bằng tiêu chuẩn, trong đó tài liệu được tạo ra và đánh giá chống lại các yêu cầu chất lượng rõ ràng, có thể tái sử dụng được bắt nguồn từ các tiêu chuẩn có thẩm quyền. Chúng tôi xác định tài liệu mã là các mô tả ngôn ngữ tự nhiên của các chức năng và lớp lưu trữ, được tổ chức bởi các đường dẫn nguồn. Chúng tôi

Machine translation (Meta M2M100); the English original follows.

Abstract

Automatically generating high-quality documentation for software repositories remains challenging: existing approaches largely treat documentation as unconstrained text generation, lacking explicit quality specifications, depending heavily on long-context prompts over raw code, and offering limited support for reproducible evaluation. We argue that code-level documentation generation should instead be a standards-guided software engineering task, in which documentation is generated and assessed against explicit, reusable quality requirements derived from authoritative standards. We define code documentation as natural-language descriptions of repository functions and classes, organized by source-code path. We present CODEDOC, a standards-guided and dependency-aware framework that identifies dependencies between code entities via static call-graph and AST analysis and constructs dependency-aware structured prompts combining local code context, repository paths, and documentation criteria drawn from authoritative standards and style guides. We further introduce an interactive LLM-as-a-judge protocol that supplies criterion-aligned feedback to refine generated documentation along fine-grained dimensions from formal and practice-oriented standards. Experiments on ten open-source Python repositories show that CODEDOC produces higher-quality documentation than RepoAgent and a long-context baseline under standards-aligned evaluation, with relative improvements of 11.6%-17.0% and 21.4%-29.6%, respectively, while consuming roughly an order of magnitude fewer tokens per documentation entity than the long-context baseline. A human study confirms substantial alignment between LLM-based and human judgments (Spearman's rho = 0.72), and the relative findings hold across different judge LLMs. Code is available at https://github.com/ControllableModel/CodeDoc.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Documentation, Software documentation, Internal documentation, Computer science, Technical documentation, Software engineering

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange